编辑导语：用户行为分析是企业了解用户的重要方式之一，能够让企业更好地为用户服务。因此，如何对用户行为构建系统化的分析思路则成了关键，本篇文章中作者将详细介绍用户行为分析的落地方法，一起来看看。
不论是哪种类型的企业，用户对于他们的重要性都是不言而喻的，为用户提供相应的客户服务是企业的业务之一，而用户行为分析是了解用户的方式之一，那么，用户行为分析如何落地呢？
一、用户行为分析概念？1. 用户行为分析是什么用户行为分析，实质上是从点击、频次等多维深度的还原用户动态使用场景和用户体验，再通过对用户行为监测获取的数据进行分析，可以更加详细、清楚地了解用户的行为习惯，从中发现用户使用移动互联网产品的规律，这些规律用于精确营销、产品优化。
用户行为分析可以找出产品功能、网站、推广渠道等各个业务线中存在的问题，让产品业务线更加精准、有效，提高转化率、还可以进行用户分层和用户分群，实现用户精准营销和精细化运营，从而驱动业务实现增长。
2. 用户行为数据有哪些用户行为数据概括来说就是：Who（谁）、When（在什么时间）、Where（在哪里）、What（做了什么行为）、Why（目的是什么）、How（通过什么方式），How much （用了多长时间、花了多少钱）。
如在用户注册环节上进行数据埋点，监控用户什么时间、在什么样设备、什么样的机型进行注册，完成注册之后浏览了什么页面，每个页面停留了多长时间，购买了什么商品，消费了多少钱等一系列行为。每个节点进行数据埋点，打上标签，就可以采集这些用户行为数据，进行分析，根据不同用户的不同标签对用户实现精准营销等作用。
按数据来源分，用户行为的数据可以分为线上触点数据（APP、H5、Web网页、小程序、各个网络平台等）及线下触点数据（门店动线、可穿戴设备等）。
按行为类型划分，可分为消费行为数据和操作行为数据。其中，
消费行为数据有：
用户的客单价、订单数、会员购买率；
操作行为数据有：
用户的pv、uv、ip、老访问数、新访问数；用户停留时间、使用时间及频次、跳出率、回访次数、回访相隔天数；用户来源渠道、地区；用户使用频次分布、时间段分布，平均停留时长；用户所使用搜索引擎、关键词、关联关键词和站内关键字；用户在页面上的点击量；用户进入下一个路径的转化率；用户发视频数，创建企业数等等。用户使用产品的有很多场景，所以用户行为数据有很多，在这里不一一介绍了，这些数据反映的都是产品业务线的总体情况，数据的价值除了反映现状，还有更重要的是应用。
二、实战场景中的用户行为分析有哪些？1. 涉及哪些运营部门以互联网B端产品的职能架构为例，来感受一下业务流程中每个角色的作用。各部门的重点工作如下：
市场部：基于用户路径分析，获取足够流量及销售线索，降低渠道成本，提升渠道转化，有渠道投放质量。
产品设计部：基于用户路径分析，输出产品方案，帮助商家解决业务问题，能得到用户对不同功能模块的反馈，进而优化功能；
运营部：基于用户路径分析，优化用户质量以及打造品牌口碑、进行内容运营、活动运营、社群运营等；
销售部 ：基于用户偏好分析，将有效的销售线索，转化至与客户成交这一步骤，需要经常进行线下拜访、PPT演示、签订合同等相关工作；
客户成功部：根据用户分群进行分析，刻画该目标群体的兴趣画像，获取目标用户的兴趣爱好，针对性服务重点客户，成功客户转化以及续费；
客服部：根据用户分层，针对性的维护客户，收集客户真实需求。
·······
2. 用户行为分析的场景定义用户的生命周期为：拉新-转化-促活-留存-商业化，具体分析场景如下：
A. 拉新：渠道分析、用户质量分析、SEM分析·····
B. 转化：新增用户注册转化过程、产品使用过程转化（搜索、推荐等）····
C. 促活：用户停留时长、用户行为分布····
D. 留存：用户留存分析····
E. 商业化：根据用户历史行为展示广告····
3. 用户行为分析该如何落地对数据分析人员来说，用户行为分析该如何落地？当接到业务需求，先定义问题；回到业务场景，结合分析目标，形成分析思路；如何与业务沟通形成落地的建议？
1）接到业务需求，先要定义问题
定义问题是理解、理清业务需求的第一步，如果能够量化的定义更好。所谓问题，即预期目标与实际目标的差距。比如某产品的重要数据指标是销售额 ，业务员找到数据分析人员说我这个月的销售额很低，只有100w，我们定的销售额目标是500w，需要帮我分析一下是什么原因导致的？
这其中目标是500w而实际销售额是100w，100w到500w的差距便产生了问题。
那么，如何定义问题呢?
第一、清晰准确描述问题。用清晰的描述和量化的数据代替模糊不清口头的表达；
第二、划分问题边界。初步预判解决问题的方向、设定评价标准、分析目标的预期值；
第三、区分问题类型。用专业的判断定义问题发生的场景、问题类型；
第四、明确输出产物。把一个具体的场景事件转化为要解决的问题。
2）结合业务场景和目标，形成分析思路
在实际数据分析工作中，面对诸多问题，我们的想法是零散、发散的，不能形成有体系化的分析思路，就会导致找不到核心的问题点。没有数据分析思路的人总会说“我感觉”“我认为”等口头语，而且只会使用数据分析相关工具做了很多可视化图表，不知道使用哪些数据分析方法，最后也发现不了 其中的问题。
数据分析要紧密结合业务，分析思路也是如此。我们需要能将零散的想法整理成有条理的思路，从而快速解决问题。
那么，如何形成体系化的分析思路?
第一、结合具体业务场景，了解整体数据情况。了解产品业务线的整体用户行为数据概况。
第二、根据需求问题和目标，明确分析的数据指标。数据指标是分析的基础，先定指标，再谈分类维度，再谈怎么分析。用户行为分析可利用转化漏斗梳理用户全行为路径，明确待分析的核心数据指标。
第三、了解核心指标，观察数据规律变化。用户在不同时段的访问量和使用间隔情况分布、新增和活跃数据的走势情况等，用户行为分析要通过数据规律和分布情况了解人群特征和用户行为习惯。
第四、挖掘异常变化的原因，有逻辑的进行论证。通过数据监控，发现异常情况，与同期对比，按时序看走势，必要时拆解结构，找出异常，进而下钻分析原因，从而锁定问题点，进行深入分析。
第五、基于数据分析模型，深入洞察原因。一般常用的数据分析模型为结构分析法+指标拆解法。对问题进行拆解，找到问题发生点。
第六，进行问题点测试，验证分析结果。找问题点后，进行多轮测试验证，确保分析结果准确性可靠性，还能知道哪种方法好用，发现内在逻辑，积累分析实战经验。
3）根据分析结果，给出落地建议
能否落地、执行、见效，是很多做数据分析的人员被质疑的点，数据分析的结果是否能够落地、执行、见效体现了分析本身的意义，只有推动执行了，才能给公司带来巨大价值。
那么，如何根据分析结果给出可执行的落地建议呢？
第一、确认分析的数据逻辑性，可靠性，准确性。一定要用数据证明分析结果有价值，预计能带来多少的收益。
第二、认清事实，清晰各个部门落地目标。数据分析结果在各个部门里落地生根，利用STAR 模型（situation(情境)、target(目标)、action(行动)、result(结果)）把公司目标-部门目标-项目目标串起来，使得各个部门人员配合落地执行。
第三、结合业务动作，提出切实可行的方案。仅是分析结果是不够的，还要提出切实可行的方案。
第四、获得领导的支持和认可。领导认可才会分配相应的资源，交给相应的人员去实施。我们首要证明分析是正确的；其次有非常准确可靠的价值描述；最终，必须有清晰明确，成本可控的落地方案。
第五、上线测试，复盘效果，优化迭代。一定要给业务方讲清楚：没有历史数据，则无法分析，一定要做测试。实验数据跟自己预期的效果有差异，一定要分析出具体原因，优化迭代。
对于用户行为分析 ，还有一个值得需要考虑的是成本问题，朋友如是说：“我所了解的用户行为分析，需要较高的门槛，既要有一套完整的数据监控体系，而且要确保数据是真实的，同时拿到一大堆用户的行为数据来分析，也是很头疼的一件事。从产入产出比来看，如果用户行为分析只是用在用户画像和智能推荐的话，成本是一个必须要考虑的问题。”
小结对于用户进行分析要灵活选择常用的数据分析模型，对用户进行分析和分类区分，引用朋友的一句话“我们意识形态里面都会觉得大数据里面一定能挖掘出一些信息，或者价值。
实际情况有这么一种：在促销活动里面，我们通常会认为促销的方案落地之后，营业的数据一定曲线向上，实际上更多的时候营业数据的波动并不会特别明显，甚至用了某些模型，会得出“促销方案的效果几乎等于0”的结论。
所以，数据分析的背后是不是一定能挖掘出某些价值，如果没有，那么问题出在哪里，对“数据分析”这个工具的使用，还有哪些注意方式。
所以，我们需要找到合适的“数据分析”工具方法及模型。（若有不一样的想法，欢迎留言）
#专栏作家#木兮擎天＠，微信公众号：木木自由，人人都是产品经理专栏作家。多年互联网数据运营经验，涉猎运营领域较广，关注于运营、数据分析的实战案例与经验以及方法论的总结，探索运营与数据的神奇奥秘！
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
